用途：在 Walk-Forward Optimization 中为机器学习模型逐折选择训练轮数（epoch），以 Walk-Forward Efficiency（WFE = OOS_Sharpe / IS_Sharpe）为目标，避免因 epoch 选择不当造成过拟合。
主要能力：按搜索边界与粒度生成对数间隔的 epoch 候选；对每个候选计算 WFE；用帕累托“有效前沿”在 WFE 与训练成本间取舍；通过贝叶斯更新把上一折结果作为先验传递；提供 WFE 聚合（池化、中位数、逆方差加权）、稳定性惩罚与 Deflated Sharpe 多重检验校正等护栏。
使用方式：从 adaptive_wfo_epoch 导入 AWFESConfig 与 compute_efficient_frontier，用 AWFESConfig.from_search_space(min_epoch=100, max_epoch=2000, granularity=5) 生成候选，逐折对候选训练评估并计算 WFE，再从前沿中选出 epoch 并作为下一折先验。OOS 阶段采用嵌套 WFO（Train 60% / Val 20% / Test 20%，边界 6% embargo），测试必须使用 prior_bayesian_epoch 而非 val_optimal_epoch，贝叶斯更新在测试评估之后进行，以防前视偏差。
适用场景：量化交易策略与 ML 模型的 WFO 训练轮数调优、过拟合诊断、epoch 与性能权衡分析。
限制：非早停、非贝叶斯优化、非嵌套交叉验证；WFE 阈值（0.30/0.50/0.70）为经验指引而非硬性标准；禁止对 range bar 训练使用扩展窗口；有效折数不足、忽略时序自相关、峰值挑选等属反模式。具体安装命令与收费信息暂未提供。